本文關鍵詞：松嫩平原典型土壤有機質高光譜預測模型研究

  更多相關文章： 高光譜遙感 土壤有機質 土壤光譜分類

【摘要】：利用高光譜遙感建立精確的土壤有機質預測模型,是實現土壤有機質的快速測定、精準農業(yè)、土壤碳庫估算的必然要求。準確的掌握土壤分布信息是土壤制圖及建立土壤數據庫的重要依據,對我國土地管理及土地利用規(guī)劃具有重要的指導意義。土壤高光譜遙感預測模型已被用于土壤有機質、氧化鐵、水分等屬性的快速測定,其中,偏最小二乘回歸(PLSR)因其能夠有效解決變量存在的共線性,而被廣泛應用于土壤理化性質高光譜預測模型,但模型輸入量(高光譜反射率的數學變換形式、波長范圍、光譜分辨率等)的確定存在明顯的主觀性。本研究以實驗室測得土壤反射率為研究對象,通過正交試驗設計(Orthogonal experimental design,OED)確定土壤有機質PLSR預測模型最優(yōu)輸入量,并運用單一土類(黑土)及不同土壤類型進行了驗證。經過驗證發(fā)現,OED能夠有效的確定土壤有機質PLSR模型最優(yōu)輸入量,單一土類(黑土)的最優(yōu)輸入量為光譜分辨率25nm下,1000-2450nm的倒數對數微分(RPD=3.45);不同土壤類型最優(yōu)輸入量為光譜分辨率5nm下,400-2450nm的倒數對數微分(RPD=2.58),兩者最優(yōu)數學變換形式均為倒數對數微分,該結果為土壤有機質PLSR模型預測提供新的途徑同時也增強了不同學者研究成果的可比性。為減少模型輸入量,本研究繪制了土壤有機質與不同數學變換形式光譜分辨率的相關系數曲線圖,分別提取了13個關鍵點作為PLSR和MSR模型的輸入量。結果表明:1)采用關鍵點作為土壤有機質PLSR預測模型的輸入量可以有效減少模型輸入量個數并保持與最優(yōu)輸入量相似的預測能力(RPD=3.12,2.33),為有機質含量速測提供了新途徑。2)采取關鍵點作為輸入量PLSR土壤有機質預測能力要高于MSR模型,二者均可以滿足黑土有機質的快速測定(RPD3.0),對于不同土壤類型有機質含量預測二者預測能力相似(2.0RPD2.5)。3)不同土壤類型由于成土母質、理化性質的不同,土壤光譜特征也存在差異,因此導致模型精度普遍低于單一土類�；趯哟蔚哪：齂均值聚類對土壤進行分類,最終將土壤分為五類,分類結果大體與實際采樣結果相似。土壤經過光譜分類后,全局模型精度由原來的0.76和2.04提高到0.83和2.42。4)基于光譜特征參數提取的光譜角匹配將土壤光譜曲線分為三類,全局模型預測精度季穩(wěn)定性均有所提高(0.85和2.60),模型RPD2.5,有很好的預測能力。綜上所述,土壤光譜定量分類能夠有效的提高土壤有機質預測模型精度,且基于光譜特征參數的光譜角匹配能夠獲取較高的預測精度,為土壤光譜分類提供了新的思路。
【關鍵詞】：高光譜遙感 土壤有機質 土壤光譜分類
【學位授予單位】：東北農業(yè)大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：S153.621;S127
【目錄】：

• 摘要8-9
• 英文摘要9-11
• 1 引言11-20
• 1.1 研究目的及意義11-13
• 1.1.1 研究背景11
• 1.1.2 研究目的意義11-13
• 1.2 國內外研究動態(tài)13-17
• 1.2.1 土壤高光譜遙感研究動態(tài)13-14
• 1.2.2 土壤有機質高光譜預測模型研究進展14-16
• 1.2.3 土壤光譜分類在土壤有機質含量預測中的應用16-17
• 1.3 研究內容、研究方法及技術路線17-19
• 1.3.1 研究內容及方法17-18
• 1.3.2 技術路線18-19
• 1.4 研究重點和難點19
• 1.5 預期創(chuàng)新點19-20
• 2 理論基礎與建模方法20-25
• 2.1 遙感相關概念20
• 2.2 土壤有機質高光譜建模方法20-23
• 2.2.1 偏最小二乘回歸20-21
• 2.2.2 多元逐步回歸21-22
• 2.2.3 正交試驗設計22-23
• 2.3 土壤有機質高光譜預測模型精度評價23-25
• 2.3.1 交叉驗證方法23-24
• 2.3.2 模型精度評價方法及指標24-25
• 3 研究區(qū)概況與數據處理25-30
• 3.1 研究區(qū)概況25-26
• 3.1.1 地理位置25
• 3.1.2 氣候條件25
• 3.1.3 土壤條件25-26
• 3.2 樣品采集與測試26-27
• 3.2.1 土壤樣品采集26
• 3.2.2 室內土壤高光譜測試26-27
• 3.3 光譜數據預處理27-30
• 3.3.1 九點加權移動平均法28
• 3.3.2 連續(xù)統(tǒng)處理28
• 3.3.3 微分處理技術28-29
• 3.3.4 光譜數據重采樣29-30
• 4 松嫩平原典型土壤有機質含量高光譜預測30-41
• 4.1 土壤有機質反射光譜特征分析30-32
• 4.1.1 單一土壤（黑土）有機質反射光譜特征分析30-31
• 4.1.2 不同類型土壤有機質高光譜特征分析31-32
• 4.2 土壤有機質高光譜PLSR最優(yōu)輸入量的確定32-36
• 4.2.1 正交試驗設計確定土壤有機質高光譜PLSR最優(yōu)輸入量32-33
• 4.2.2 單一土類（黑土）正交試驗設計結果驗證33-35
• 4.2.3 不同土壤類型正交試驗設計結果驗證35-36
• 4.3 基于反射光譜特征的土壤有機質含量預測36-38
• 4.3.1 土壤光譜特征關鍵點（KP）的提取36-37
• 4.3.2 PLSR及MSR建模結果對比分析37-38
• 4.4 小結38-41
• 5 光譜定量分類在土壤有機質高光譜預測中的應用41-53
• 5.1 基于土壤反射光譜聚類分析的有機質預測模型42-47
• 5.1.1 兩階聚類確定最佳分類數目43-44
• 5.1.2 基于聚類分析分類的預測模型44-47
• 5.2 基于土壤反射光譜角分類的有機質預測模型47-51
• 5.2.1 光譜角度匹配47
• 5.2.2 基于土壤特征參數提取的光譜角匹配47-48
• 5.2.3 基于土壤反射光譜特征分類的預測模型48-51
• 5.3 小結51-53
• 6 結論與展望53-55
• 6.1 結論53-54
• 6.2 不足與展望54-55
• 致謝55-57
• 參考文獻57-63
• 攻讀碩士學位期間發(fā)表的學術論文63

，

本文編號：881400